顾名思义，时间序列是按时间顺序排列的一组数据序列。
时间序列分析就是发现这组数据的变动规律并用于预测的统计技术。

时间序列分析

该技术有以下3中基本特点：
1.假设事物发展趋势会延伸到未来；
2.预测所依据的数据具有不规则性；
3.不考虑事物发展之间的因果关系。

时间序列四因素

通常情况下，一个时间序列会包含四种因素，如下表所示。

因素	说明	示例
长期趋势Trend（T)	指在一个相当长的时间内表现为一种近似直线的持续向上或向下或平稳的趋势	如国内生产总值
季节变动Season（S)	指受季节变动所形成的一种长度和幅度固定的短期周期波动。季节的周期不局限于自然季节，还包括月、周等短期周期。	如冷饮的销售量
循环变动Cycle（C)	指一种较长时间的上下起伏周期性波动。通常来说时间波动在2-15年	如太阳黑子数量变化
不规则变动Irregular（R)	受偶然因素影响所形成的不规则波动，在时间序列中无法预计	如股票

四因素组合方式

加法

叠加而成
Y=T+S+C+I

乘法

综合而成
Y=T×S×C×I

季节分解法

在对一个时间序列进行预测时，需要先将上述四个因素从时间序列中分解出来。原因如下：
1.将因素从时间序列中分解出来后，能够克服其他因素的影响，仅考虑一种因素对时间序列的影响；
2.分解这四个因素后，可以分析他们之间的相互作用，也可以分析他们对时间序列的综合影响
3.当去掉某些因素后，可以更好地进行时间序列之间的比较，从而更加客观地反应事物变化发展规律
4.分解这些因素后的序列可以用于建立回归模型，从而提高预测精度。

一般并不需要对四个因素都进行分解，只需要进行季节因素的分解，也就是将季节变动因素从原时间序列中去除，并生成由剩余三种因素构成的序列来满足后续分析需求。
原因：
1.长期趋势反映了事物发展规律，是重点研究的对象
2.循环变动由于周期较长，也可以近似看做长期趋势的反应
3.不规则变动由于不容易测量，通常也不单独分析
4.季节变动的存在有时会让预测模型误判为不规则变动，从而降低预测模型精度。

在进行季节因素分解是需要先进行数据处理
定义日期标示变量，不建议将“日期”变量的数据类型改为日期型，因为这样有可能会导致数据损失。
操作：【数据】-【定义日期和时间】

序列图

【分析】-【时间序列预测】-【序列图】

季节因素分解新增4数据解释

1.误差序列（ERR）：该值是从时间序列中移除季节因素、长期趋势和循环波动之后留下的序列。
2.季节因素校正后序列（SAS）：该值为移除原始序列中季节因素之后的校正序列。
3.季节因子（SAF）：该值为从序列中分解出来的季节因素。其中的变量值根据季节周期的变动进行重复。（可通过序列图查看季节因素对变量的影响趋势，即在季节周期内是如何变动的）
4.长期趋势和循环变动序列（STC）：该值是原始序列中长期趋势和循环变动构成的序列。

在进行完季节因素分析之后，可以将原始序列、SAS、STC利用序列图绘制在一张图上查看区别。

专家建模法

时间序列预测步骤

1.绘制时间序列图观察趋势
2.分析序列平稳性并进行平稳化
3.时间序列建模分析
4.模型评估与预测

平稳性是指时间序列的所有统计性质都不会随着时间的推移而变化，对一个平稳时间序列来说，具有以下特征：
1.均数和方差不随时间变化
2.自相关系数只与时间间隔有关，与所处时间无关

自相关系数是指一个序列中不同时期的相关系数，也就是对时间序列计算器当前期和不同滞后期的一系列相关系数。

目前主流的时间序列预测方法都是针对平稳的时间序列的，但实际上很多时间序列都是不平稳的，所以先要识别序列的平稳性，将不平稳序列转换为平稳序列。只有时间序列并平稳化处理过以后才可以进行预测。

进行平稳化时间序列的方法有很多，经常使用的是差分法。